JP6925615B2 - 本人確認書類の真偽判定システム、方法およびプログラム - Google Patents

Description

本発明は、運転免許証、旅券（パスポート）、保険証などの本人確認書類の真偽を判定する技術に関する。

現代社会では、様々な場所で本人確認書類の提示が求められる。運転免許証、旅券、保険証などの公的証明書は、本人確認書類として利用される。各種サービスのＷｅｂサイトなどでのオンラインによる取引あるいは契約などでは、本人確認書類を撮影した画像を送信することが求められる場合がある。

一方、近年では、コピー機やデジタル機器の進歩により、本人確認書類を精巧に偽造することが容易になっている。そのような精巧な偽造は、目視で判別することが困難な場合がある。

そのため、様々な場面で容易に利用でき、かつ高い精度で本人確認書類の真偽を判定するシステムが求められている。

特許文献１には、運転免許証の真偽判定を行う技術が開示されている。特許文献１に開示された技術は、運転免許証の特定個所の画像を本物の運転免許証の画像と比較し、比較結果に基づいて真偽の判定を行っている。

特開２００６−１１８６６号公報

上述したように、特許文献１に開示された技術は、運転免許証における特定個所の画像を本物の運転免許証の画像と比較し、比較結果に基づいて真偽の判定を行っている。そのため、その特定個所が精巧に偽造されていたり、特定個所の画像が不鮮明であったりすると、真偽判定の精度が低下する可能性がある。

本発明の目的は、偽造された本人確認書類の判定精度を向上する技術を提供することである。

本発明の一つの実施例に従う本人確認書類真偽判定システムは、本人確認書類の正当文書図画画像および偽造文書図画画像を学習データ入力として構築された、判定対象画像を入力として該判定対象画像に表示された本人確認書類が偽造されたものでありうる程度を示す偽造指標を算出するための予測モデルを記憶するモデル記録部と、前記判定対象画像を前記予測モデルに入力することによって前記判定対象画像に対する前記偽造指標を算出する真偽判定部と、を有する。

本発明によれば、学習により生成された予測モデルを用いて本人確認書類の偽造判定を行うので、精度の高い偽造判定が可能となる。

実施例１に係る本人確認書類真偽判定システムの全体図。 実施例１に係る運転免許証の模式図。 実施例１に係る真偽判定処理の流れ図。 実施例２に係る本人確認書類真偽判定システムの全体図。 実施例３に係る真偽判定処理の流れ図。 実施例３に係る分類処理の流れ図。 実施例４に係る真偽判定処理の流れ図。 実施例４に係る本人確認書類内領域情報の図。 実施例５に係る偽造された運転免許証の真偽判定の様子を説明するための図。 実施例５に係るエッジの角度と本数との関係図。 実施例５に係る他の偽造された運転免許証の真偽判定の様子を説明するための図。

以下、幾つかの実施例を、図面を参照して説明する。

図１は、本実施例における本人確認書類真偽判定システムの全体図であり、図２は、運転免許証の模式図である。本人確認書類真偽判定システム１は、入力された画像内の本人確認書類が偽造されたものか否か判定するためのシステムである。

本人確認書類として利用される公的証明書には、いくつかの種類がある。本人確認書類の種類に応じて、写真、氏名、住所、作成元などの表示内容または表示位置が異なる。例えば、運転免許証（以下、免許証）５には、顔写真が表示される（図２では右中央の空欄）が、健康保険証（図示せず）には、顔写真は表示されない。また、免許証５と健康保険証とでは、氏名の表示位置が異なる。

更に、同じ種類の本人確認書類でも、作成元が異なれば、表示に差異が生じうる。例えば、免許証５は、それらの表示形式または表示内容が都道府県の公安委員会（東京都公安委員会、神奈川県公安委員会など）によっても異なることがある。例えば、東京都公安委員会と神奈川県公安委員会とにおいて使用されている印刷機が相互に異なれば、氏名の表示位置、字体、文字サイズなどに僅かな差異が生じうる。また、写真撮影設備や撮影環境が異なれば、背景部分を含む写真画像に僅かな差異が生じうる。

本人確認書類真偽判定システム１は、正当な本人確認書類画像と偽造された本人確認書類画像とを学習データとするディープラーニングにより、本人確認書類の真偽を判定するための予測モデルを構築する。この予測モデルは、判定対象とする本人確認書類の画像を入力とし、本人確認書類が偽造されたものでありうる程度を示す偽造指標を出力する。予測モデルの構築においては、いかに高い精度で正当な本人確認書類と偽造された本人確認書類とを区別するかが重要である。

例えば、上述したように免許証５の氏名欄の字体は、作成元である公安委員会によって異なる可能性がある。東京都公安委員会が作成した免許証５では、字体Ａが正当な字体であるが、神奈川県公安委員会が作成した免許証では、字体Ｂが正当な字体であるといったことが起こりうる。このように、偽造による画像の差異と作成元による画像の差異とが混在することにより、真偽判定の精度の向上が阻害される可能性がある。

その点に関し、本実施例による本人確認書類真偽判定システム１では、正当な本人確認書類であっても作成元が異なると、各領域の画像に差異が生じうることを考慮した構成が採用されている。即ち、本実施例の本人確認書類真偽判定システム１では、本人確認書類の作成元毎に別個の予測モデルを用意している。それにより、作成元毎に正当な本人確認書類と偽造された本人確認書類とのそれぞれの特徴が際立ち、作成元の違いによる画像の差異が真偽判定に及ぼす影響が低減される。

本実施例の本人確認書類真偽判定システム１は、図１に示すように、真偽判定部２と、学習部３と、モデル記録部４とを備えている。

真偽判定部２は、分類判別部６と、モデル選択部７と、真偽判定演算部８とを有している。

分類判別部６には、ユーザの端末などから電気通信回線を介して判定対象画像が入力される。分類判別部６は、各種の本人確認書類を分類分けした複数の分類の中から、判定対象画像に表示された本人確認書類が属する分類を判別する。

具体的には、分類判別部６は、大分類判別部６Ａと、小分類判別部６ａとを有しており、本人確認書類を種類で分けた複数の分類を大分類として予め定め、その大分類に属する本人確認書類の画像に差異が生じうる属性で分けた複数の分類を小分類として予め定めている。ここでは、一例として、分類判別部６は、本人確認書類の種類を大分類とし、本人確認書類の作成元を小分類として予め定めている。

大分類判別部６Ａは、判定対象画像から種類を示す部分画像を抽出し、その判定対象画像に表示された本人確認書類が属する大分類を判別する。例えば、大分類は、免許証５、旅券、健康保険証（図示せず）などである。

小分類判別部６ａは、大分類判別部６Ａにより判別された大分類に応じて、判定対象画像に表示された本人確認書類が属する大分類内の小分類を判別する。例えば、小分類は、本人確認書類の作成元である。大分類が免許証５の場合、小分類は、例えば都道府県の公安委員会（東京都公安委員会、神奈川県公安委員会など）である。大分類が旅券の場合、小分類は、例えば発行国である。大分類が健康保険証の場合、小分類は、例えば保険者名である。

図１に戻る。モデル選択部７は、モデル記録部４が記録する予測モデル４ａ、４ｂ、…の中から、判定対象画像に表示された本人確認書類が属する小分類用の予測モデルを選択する。

真偽判定演算部８は、分類分けされた本人確認書類の判定対象画像を、モデル選択部７により選択された予測モデルに入力することによって、判定対象画像に対する偽造指標を算出する。

学習部３には、小分類毎の本人確認書類の正当文書図画画像および偽造文書図画画像が学習データとして入力される。学習部３は、入力された小分類毎の学習データに基づいて、小分類毎に、判定対象画像に表示された本人確認書類が偽造されたものでありうる程度を示す偽造指標を算出するための予測モデル４ａ、４ｂ、…をディープラーニングによって構築する。偽造指標は、複数の値をとる指標、例えば、真偽二値の指標であってもよい。例えば、学習部３は、小分類毎に入力される学習データと、その学習データ以外に別途入力される既知の本人確認書類の真偽判定データとに基づいて、小分類毎に予測モデル４ａ、４ｂ、…をディープラーニングによって構築してもよい。

モデル記録部４は、学習部３により構築された小分類毎に異なる複数の予測モデル４ａ、４ｂ、…を記憶する。

図３は、本実施例における真偽判定処理の流れ図である。

真偽判定処理では、まず、真偽判定部２は、入力された判定対象画像の向き、解像度、角度、明暗などが所定値になるように補正する（Ｓ３０１）。次に、大分類判別部６Ａは、補正した判定対象画像から種類を示す部分画像を抽出し、その補正した判定対象画像に表示された本人確認書類が何れの大分類に属するかをその抽出した部分画像に基づいて判別する。即ち、大分類判別部６Ａは、例えば、免許証５、旅券、健康保険証などの中から本人確認書類の大分類を判別する。小分類判別部６ａは、大分類判別部６Ａが判別した大分類に応じて判定対象画像から作成元を示す部分画像を抽出し、その抽出した部分画像に基づいて判定対象画像に表示された本人確認書類が何れの小分類に属するかを判別する（Ｓ３０２）。即ち、小分類判別部６ａは、例えば、小分類として本人確認書類の作成元を判別する。作成元は、本人確認書類の画像に差異が生じうる属性の一例である。

次に、モデル選択部７は、モデル記録部４が小分類毎に記録する予測モデル４ａ、４ｂ、…の中から、分類判別部６により判別された小分類に対応する予測モデルを選択する。

最後に、真偽判定演算部８は、大分類判別部６Ａおよび小分類判別部６ａで分類分けされた本人確認書類の判定対象画像を、モデル選択部７により選択された予測モデルに入力し、判定対象画像に対する偽造指標を算出し、更に、判定対象画像に表示された免許証５の真偽を判定する（Ｓ３０３）。真偽判定演算部８は、偽造指標が予め設定された閾値（例えば、１０％）よりも高い場合、偽造の免許証５と推定する。

本実施例によれば、本人確認書類真偽判定システム１は、モデル記録部４と、真偽判定部２とを有する。モデル記録部４は、本人確認書類の正当文書図画画像および偽造文書図画画像を学習データ入力として構築された、判定対象画像を入力として該判定対象画像に表示された本人確認書類が偽造されたものでありうる程度を示す偽造指標を算出するための予測モデルを記憶する。真偽判定部２は、判定対象画像を予測モデルに入力することによって判定対象画像に対する偽造指標を算出する。これによって、学習により生成された予測モデルを用いて本人確認書類の偽造を判定することができ、様々な態様で偽造された偽造文書図画画像を学習することにより判定対象画像の様々な特徴に基づく精度の高い偽造判定が可能となる。

真偽判定部２は、本人確認書類を分類分けした複数の分類のうちの判定対象画像に表示された本人確認書類が属する分類を判別し、判定対象画像と判断した分類と予測モデルとを用いて、判定対象画像の偽造指標を算出する。これにより、本人確認書類を分類分けし、分類を考慮した偽造の判定を行うことができ、様々な種類などがある本人確認書類の偽造判定を高い精度で行うことが可能となる。

真偽判定部２は、本人確認書類を種類で分けた複数の分類を大分類として予め定め、大分類に属する本人確認書類の画像に差異が生じうる属性で分けた複数の分類を小分類として予め定め、判定対象画像に表示された本人確認書類が属する大分類および小分類を判別する。そして、真偽判定部２は、判定対象画像と、判定対象画像が属する大分類および小分類と、予測モデルとを用いて、判定対象画像に対する偽造指標を算出する。これにより、本人確認書類の種類を大分類とし、その中を判定対象画像に差異が生じうる属性を小分類とし、大分類から小分類へと段階的に分類を限定して真偽を判定することができ、様々な種類などがある本人確認書類の真偽の判定を高い精度で行うことが可能となる。

分類毎に予測モデル４ａ、４ｂ，…を設けるので、分類毎の予測モデル４ａ，４ｂ，…によって複数の部類の偽造判定を高い精度で行うことができる。

本人確認書類は、作成元が同じであれば、同じ機材で作成されているのが通常なので、本人確認書類を種類と作成元とで分類し、それらを考慮すると、高い精度の偽造判定が可能となる。

本人確認書類の正当文書図画画像および偽造文書図画画像を学習データ入力として予測モデルを構築する学習部を備えるので、入力した学習データによって信頼性の高い予測モデルを構築することができ、精度の高い偽造判定が可能となる。

本実施例では、本人確認書類が免許証５であり、作成元が都道府県の公安委員会であるので、同じ公安委員会で作成された免許証５は、書体や書式が共通しているものと考えられ、何れの都道府県の公安委員会で作成された免許証５であるのかを考慮して偽造判定を行うことによって、偽造を精度よく判定することが可能となる。

なお、免許証５の場合、２０１０年以降に「本籍地」欄がなくなったり、或いはフォントが変更されることもあるため、小分類は、本人確認書類の作成時期でも良い。更に、小分類は、カラー画像か否か（カラー画像または白黒画像）でもよい。このため、カラー画像の場合、予測モデルに入力される情報の量を大きくして、判定精度を高めることができる一方、白黒画像の場合、予測モデルに入力される情報の量を小さくでき、計算容量を削減することができる。更に、小分類は、優良マークの有無や、ＡＴ限定のマークの有無でもよい。

実施例２に係る本人確認書類真偽判定システム１について説明する。本実施例を含む以下の各実施例は、実施例１の変形例に相当する。実施例１では、本人確認書類の作成元毎に予測モデルを構築しておき、判定対象画像が属する作成元に対応する予測モデルを用いて偽造指標を算出した。それにより、作成元の違いによる画像の差異が真偽判定に及ぼす影響を低減した。これに対して、実施例２では、作成元を示す情報を予測モデルへの入力とすることにより、作成元の違いによる画像の差異が真偽判定に及ぼす影響を低減した。以下、実施例２について実施例１との相違を中心に述べる。

図４は、実施例２に係る本人確認書類真偽判定システムの全体図である。

本実施例の学習部２３には、大分類（例えば、免許証５、旅券、健康保険証など）の情報および小分類（例えば、本人確認書類の作成元）の情報毎の本人確認書類の正当文書図画画像および偽造文書図画画像が学習データとして入力される。学習部２３は、入力された大分類の情報および小分類の情報毎の学習データに基づいて、単一の予測モデル２０をディープラーニングによって構築する。

本実施例のモデル記録部４は、学習部２３が構築した予測モデル１０を記憶している。本実施例の予測モデル１０は、判定対象画像に加え、大分類の情報および小分類の情報を入力とする点で、実施例１の予測モデル４ａ、４ｂ，…と異なる。また、実施例１では、モデル記憶部４は、作成元毎の複数の予測モデルを記憶したが、実施例２では、全ての作成元の本人確認書類に共通に利用可能な単一の予測モデル２０を記憶する。

本実施例の分類判別部６は、図１に示した実施例１のものと同様である。

本実施例の真偽判定処理は、図３に示した実施例１のものとステップＳ３０３のみが異なる。真偽判定処理では、ステップＳ３０２にて、実施例１と同様に、大分類判別部６Ａは、補正した判定対象画像から種類を示す部分画像を抽出し、その補正した判定対象画像に表示された本人確認書類が何れの大分類に属するかをその抽出した部分画像に基づいて判別する。小分類判別部６ａは、大分類判別部６Ａにより判別された大分類に基づき、判定対象画像から作成元を示す部分画像を抽出し、大分類に属する本人確認書類の判定対象画像に表示された作成元により作成されたものかをその抽出した部分画像に基づいて判別する。最後に、ステップＳ３０３では、真偽判定演算部１８は、実施例１とは異なり、分類判別部６が判別した大分類および小分類と判定対象画像とを予測モデル２０に入力して、判定対象画像に対する偽造指標を算出する。

本実施例によれば、分類を入力とする予測モデル２０を構築し、予測モデル２０による偽造判定を高い精度で行うことができる。

本人確認書類は、作成元が同じであれば、同じ機材で作成されているのが通常なので、本人確認書類を種類と作成元とで分類し、それらを考慮すると、高い精度の偽造判定が可能となる。

実施例３に係る本人確認書類真偽判定システム１について説明する。実施例１における判定対象画像を補正する処理は、本人確認書類の外縁を利用するものでなかった。これに対して、実施例３では、本人確認書類の外縁の情報を、真偽判定部２に入力された判定対象画像を所定の向きや角度に補正する処理に利用する。そのため、実施例３では、判定対象画像内にて本人確認書類の外縁が検出できるか否か判定し、外縁が検出できなければ、外縁を推定することも行う。

実施例３の本人確認書類真偽判定システム１の全体図は、図１に示した実施例１のものと同様である。ただし、実施例３における真偽判定部２が実行する真偽判定処理は、本人確認書類の外縁を検出する処理と、本人確認書類の外縁を推定する処理と、本人確認書類の外縁を利用する処理を含む点で、実施例1のものと異なる。

図５は、実施例３に係る真偽判定処理の流れである。

本実施例の真偽判定部２は、判定対象画像に、免許証５の外縁が表示されているか否かを判定する。

（本人確認書類の外縁を検出する処理）
真偽判定処理では、真偽判定部２は、画像補正（Ｓ３０１）の前に、判定対象画像から本人確認書類の外縁を検出し、判定対象画像に、本人確認書類の外縁が表示されているか否かを判定する（Ｓ５００）。本人確認書類の外縁が表示されている場合（Ｓ５００：ＹＥＳ）、画像補正処理（Ｓ３０１）に進む。

（本人確認書類の外縁を推定する処理）
本人確認書類の外縁が表示されていない場合（Ｓ５００：ＮＯ）、本人確認書類の外縁を推定する（Ｓ５０４）。例えば、本人確認書類の外縁の一部分が表示されていない場合、表示された大部分の外縁に基づいて、表示がされていない外縁の一部分を推定することができる。本人確認書類の外縁の大部分が表示されていない場合、表示された本人確認書類から基準位置を抽出し、その抽出した基準位置と、表示された一部分の外縁との関係に基づいて、表示の無い本人確認書類の外縁を推定することができる。

（本人確認書類の外縁を利用する処理）
画像補正処理（３０１）において、推定した本人確認書類の外縁は、真偽判定部２に入力された判定対象画像の向きや角度を補正する際の基準線として利用することができる。例えば、判定対象画像に表示された本人確認書類の外縁が台形状である場合、台形補正をする。なお、判定対象画像のうちの外縁外に表示された背景が、過去に偽造判定したときの背景と同一であると判定した場合、偽造指標を高めても良い。

そして、大分類判別部６Ａは、判定対象画像に表示された本人確認書類の外縁内の画像に基づいて、その判定対象画像に表示された本人確認書類の分類を判別する（Ｓ３０２）。以下に、本実施例の分類判定処理を具体的に説明する。

図６は、本実施例における分類処理の流れ図である。

本実施例の大分類判別部６Ａは、判定対象画像に外縁の一部分が表示されていない本人確認書類の種類を判別し、判別した種類に基づき本人確認書類から、本人確認書類の作成元が表示される領域と、それ以外の領域との2以上の領域を抽出する。小分類判別部６ａは、その大分類判別部６Ａにより抽出された領域のうちの本人確認書類の作成元が表示される領域に基づき、その作成元を判別することにより、本人確認書類の分類を判別する。

本実施例によれば、判定対象画像に本人確認書類の外縁が表示されていなければ、外縁を推定し、その推定した外縁を用いて判定対象画像の向きや角度を補正でき、本人確認書類を高い精度で真偽判定することができる。

本人確認書類の種類に基づき判定対象画像を少なくとも作成元の表示の有無を含む複数の領域に分割し、分割した複数の領域のうち本人確認書類の作成元が表示される領域からその作成元を判別する手順で作成元を判別できるので、高い精度で作成元を判別することができる。

実施例４に係る本人確認書類真偽判定システム１について説明する。実施例１では、作成元毎の予測モデルを有し、単一の偽造指標を算出していた。これに対し、実施例４では、判定対象画像のうちの複数の領域に対応する予測モデルを有し、複数の領域の個別偽造指標を算出し、算出した領域毎の個別偽造指標を総合して判定対象画像の偽造指標を算出する。

本実施例の学習部４３には、本人確認書類の種類（例えば、免許証５、旅券、健康保険証など）の情報および本人確認書類の作成元の情報毎の本人確認書類の正当文書図画画像および偽造文書図画画像が学習データとして入力される。学習部４３は、入力された大分類の情報および小分類の情報毎の学習データに基づいて、各種類および各作成元の本人確認書類のそれぞれについて、その本人確認書類に含まれる複数の領域のそれぞれに対応する予測モデルを構築する。

本実施例のモデル記憶部４４は、学習部４３により構築された複数の予測モデル４４ａ，４４ｂ，…を記憶する。

図７は、実施例４に係る真偽判定処理の流れである。

本実施例の真偽判定部２は、本人確認書類の種類毎に、その本人確認書類内にどのような領域がどこに存在するかを示す本人確認書類内領域情報を予め保持している。

図８は、本人確認書類内領域情報の一例を示す図である。図８を参照すると、本人確認書類内領域情報には、本人確認書類の種類と、その種類の本人確認書類に含まれる複数の領域の領域名と、それらの領域の座標情報とが格納されている。例えば、免許証５は、図２に示したように、氏名領域、生年月日領域、住所領域、交付情報領域、有効期限領域、条件領域、優良ドライバ表示領域、運転免許証番号領域、写真領域、免許取得日領域、および作成元領域を有する。そのため、図８には、免許証５について、それらの領域の領域名および座標情報が格納されている。

氏名領域は、免許保有者の氏名が表示される領域である。生年月日領域は、免許保有者の生年月日が表示される領域である。住所領域は、免許保有者の住所が表示される領域である。交付情報領域は、免許証の交付日等が表示される領域である。有効期限領域は、免許証の有効期限が表示される領域である。条件領域は、免許の条件が表示される領域である。優良ドライバ表示領域は、優良ドライバに対して優良マークが表示される領域である。運転免許証番号領域は、免許証番号が表示される領域である。写真領域は、免許保有者の顔写真が表示される領域である。免許取得日領域は、二輪免許の取得日、四輪免許の取得日、および二種免許の取得日が表示される領域である。作成元領域は、免許証を作成した都道府県の公安委員会の名称および印が表示される領域である。

真偽判定部２は、判定対象画像に表示された本人確認書類の種類を判別し、判別した種類に基づき本人確認書類内領域情報を参照してその種類の本人確認書類に含まれる複数の領域を知得する。続いて、真偽判定部２は、知得した複数の領域を判定対象画像から抽出し、複数の領域毎に選択した予測モデルで個別偽造指標を算出し、領域毎の個別偽造指標を総合して判定対象画像の偽造指標を算出する。

なお、判定対象画像から抽出する複数の領域には、判定対象画像に表示された本人確認書類のうちのテキスト記載および図画表示が含まれる。テキストは、例えば、氏名である。図画は、例えば、写真である。

更に、本実施例では、全ての領域の偽造指標をそれぞれの領域に対応する予測モデルにより算出する例を示したが、本発明がこれに限定されることはない。他の例として、一部の領域については、予測モデルにより偽造指標を算出し、他の一部の領域については他の判定方法で偽造指標を算出することにしてもよい。他の判定方法として既存の様々な手法が適用できる。例えば、領域の画像を本物の本人確認書類のその領域の画像と比較し、画像の類似度に基づいて偽造指標を算出してもよい。

真偽判定処理では、まず、真偽判定部２は、判定対象画像に表示された本人確認書類の種類を判別し、判断した種類に基づき判定対象画像から複数の領域を抽出し、抽出した複数の領域の中から１つの領域を選択する（Ｓ７０１）。次に、真偽判定部２は、その領域に用いる判定方法を選択する（Ｓ７０２）。本実施例では、判定方法は、予測モデルによる方法なので、真偽判定部２は、予測モデルを選択する。

真偽判定部２は、その判定方法で個別偽造指標を算出する（Ｓ７０３）。そして、真偽判定部２は、残り領域があるか否かを判定する（Ｓ７０４）。残り領域がある場合（Ｓ７０４：ＹＥＳ）、残り領域がなくなるまで、Ｓ７０１に戻る。

残り領域が無くなった場合（Ｓ７０４：ＮＯ）、真偽判定部２は、領域毎の個別偽造指標を総合して判定対象画像に対する偽造指標を算出する（７０５）。例えば、各領域の個別偽造指標を重みづけ加算することにより、判定対象画像についての偽造指標を算出する。

本実施例によれば、領域毎の個別偽造指標を総合して判定対象画像の偽造指標を算出することができるので、高い精度で判定対象画像に対する偽造指標を算出することができる。

実施例５に係る本人確認書類真偽判定システム１について説明する。実施例１では、真偽判定処理を開始すると、真偽判定部２は、入力された判定対象画像の向き、解像度、角度、明暗などが所定値になるように補正した。一方、実施例５では、真偽判定部２は、実施例１に示した補正処理を開始する前に、予備的な偽造判定処理を実行する。予備的な偽造判定処理は、判定対象画像に明らかな切り貼り痕がある場合に、偽造された本人確認書類であると判定する処理である。予備的な偽造判定処理により偽造された本人確認書類であると判定されなかった判定対象画像については、更に実施例１に示した処理を実行する。

以下、予備的な偽造判定処理について説明する。

図９は、実施例５に係る偽造された免許証の真偽判定の様子を説明するための図である。

本実施例の真偽判定部２は、切り貼り痕の境界線の傾きに基づいて切り貼り痕を検出し、検出した切り貼り痕に基づき、判定対象画像に対する偽造指標を算出する。

予備的な偽造判定処理では、まず、上下縁線１１，１２が表示されていない場合、実施例３と同様に、本人確認書類の外縁の検出処理、推定処理、および利用処理を行い、本人確認書類の外縁を推定する。次に、真偽判定部２は、判定対象画像からエッジ検出処理により直線あるいは曲線を検出する。本人確認書類の画像には、その本人確認書類の種類により、本来的に画像に含まれるべき線がある。例えば、本人確認書類が免許証５であれば、免許証５自体の上下縁線１１，１２がある。また、氏名表示欄には、上下枠線１３、１４がある。顔写真にも、上下枠線１５，１６がある。また、判定対象画像には、本人確認書類に本来的に含まれる線以外の線がある場合もある。

真偽判定部２は、免許証５を表示した判定対象画像に、当該免許証５の上下縁線１１，１２、氏名表示欄の上下枠線１３，１４、顔写真の上下枠線１５，１６などに対して傾斜する傾斜線分１７，１８が検出された場合、その傾斜線分１７，１８を抽出する。この実施例では、氏名表示欄の上下枠線１３，１４を跨いで右下がりに傾斜する上下２本の傾斜線分１７，１８が確認できる。

図１０は、本実施例に係るエッジの角度と本数との関係図である。

ここで、通常の免許証５では、上下縁線１１，１２および上下枠線１３〜１６は、左右に相互に平行に延びている。したがって、左右方向に対して直交せずに他の角度分布から大きく乖離した傾斜線分１７，１８は、明確な切り貼り痕である可能性が高いと判断できる。傾斜線分１７，１８の歪みは、傾斜線分１７，１８を抽出し、抽出した傾斜線分１７，１８の角度毎の個数をカウントし、判定対象画像に対する偽造指標を算出する。これにより、切り貼り痕を含む免許証５の偽造を判定することができる。なお、傾斜線分１７，１８は、左右縁線および左右枠線に平行な上下方向に対する角度を検出しても良い。

なお、画像からエッジを検知する方法は、ｓｏｂｅｌフィルタ、或いはＨｏｕｇｈ変換を用いる方法が一般に知られている。具体的には、入力画像をｓｏｂｅｌフィルタでエッジ点の集合に変換し、その変換したエッジ点の集合に対してＨｏｕｇｈ変換することによって、エッジを検知する。

更に、図１１に示すように、真偽判定部２は、切り貼り痕の縁の歪みに基づいて切り貼り痕を検出しても良い。例えば、真偽判定部２は、氏名表示欄の上下縁２３，２４と氏名との間で上下に歪む上下２本の曲線２７，２８を検出してもよい。

なお、線分の角度や歪みに限らず、線分の長さ、太さ、極大や極小の位置、或いは背景との色の違いによって、判定対象画像の偽造指標を算出してもよい。したがって、傾斜線分や曲線を含む免許証５が新たに発行されても、本手法を適用することができる。

上述した本発明の実施形態は、本発明の説明のための例示であり、本発明の範囲をそれらの実施形態にのみ限定する趣旨ではない。当業者は、本発明の要旨を逸脱することなしに、他の様々な態様で本発明を実施することができる。

１…本人確認書類真偽判定システム、２…真偽判定部、３…学習部、４…モデル記録部、４ａ、４ｂ…予測モデル、５…免許証、２０…予測モデル、２３…学習部

Claims (15)

1. 本人確認書類の正当文書図画画像および偽造文書図画画像を学習データ入力として構築された、判定対象画像を入力として該判定対象画像に表示された本人確認書類が偽造されたものでありうる程度を示す偽造指標を算出するための予測モデルを記憶するモデル記録部と、
   前記判定対象画像を前記予測モデルに入力することによって前記判定対象画像に対する前記偽造指標を算出する真偽判定部と、を有する本人確認書類真偽判定システム。
2. 前記真偽判定部は、
   前記本人確認書類を分類分けした複数の分類のうちの前記判定対象画像に表示された本人確認書類が属する分類を判別し、
   前記判定対象画像と前記分類と前記予測モデルとを用いて、前記判定対象画像に対する前記偽造指標を算出する、
   請求項１に記載の本人確認書類真偽判定システム。
3. 前記真偽判定部は、
   前記本人確認書類を種類で分けた複数の分類を大分類として予め定め、
   前記大分類に属する本人確認書類の画像に差異が生じうる属性で分けた複数の分類を小分類として予め定め、
   前記判定対象画像に表示される本人確認書類が属する大分類および小分類を判別し、
   前記判定対象画像と、前記判定対象画像が属する前記大分類および前記小分類と、前記予測モデルとを用いて、前記判定対象画像に対する前記偽造指標を算出する、
   請求項２に記載の本人確認書類真偽判定システム。
4. 前記モデル記録部は、前記分類毎に設けられた予測モデルを記憶し、
   前記真偽判定部は、
   前記判定対象画像に表示された本人確認書類が何れの分類に含まれる本人確認書類の画像かを判別し、
   判別された前記分類の予測モデルを用いて、該判定対象画像に対する前記偽造指標を算出する、
   請求項２に記載の本人確認書類真偽判定システム。
5. 前記本人確認書類の種類を大分類とし、前記本人確認書類の作成元を小分類とし、
   前記モデル記録部は、前記小分類毎の予測モデルを記憶し、
   前記真偽判定部は、
   前記判定対象画像から前記種類を示す部分画像を抽出し、該判定対象画像に表された本人確認書類が何れの大分類に属するかを該部分画像に基づいて判別し、
   判別した前記大分類に応じて前記判定対象画像から前記作成元を示す部分画像を抽出し、該判定対象画像に表示された本人確認書類が何れの小分類に属するかを該部分画像に基づいて判別し、
   前記判定対象画像に表示された本人確認書類が属する前記小分類の予測モデルを用いて、該判定対象画像に対する前記偽造指標を算出する、
   請求項４に記載の本人確認書類真偽判定システム。
6. 前記モデル記録部は、前記分類を入力とする予測モデルを記憶し、
   前記真偽判定部は、
   前記判定対象画像に表示された本人確認書類が何れの分類に属するかを判別し、
   判別した前記分類を前記予測モデルに入力して、該判定対象画像に対する前記偽造指標を算出する、
   請求項２に記載の本人確認書類真偽判定システム。
7. 前記本人確認書類の種類を大分類とし、前記本人確認書類の作成元を小分類とし、
   前記モデル記録部は、前記大分類および前記小分類を入力とする予測モデルを記憶し、
   前記真偽判定部は、
   前記判定対象画像から前記種類を示す部分画像を抽出し、該判定対象画像に表された本人確認書類が何れの大分類に属するかを該部分画像に基づいて判別し、
   判別した前記大分類に応じて前記判定対象画像から前記作成元を示す部分画像を抽出し、該判定対象画像に表示された本人確認書類が何れの小分類に属するかを該部分画像に基づいて判別し、
   前記判定対象画像に表示された本人確認書類が属する前記大分類および前記小分類を前記予測モデルに入力し、該判定対象画像に対する前記偽造指標を算出する、
   請求項６に記載の本人確認書類真偽判定システム。
8. 前記真偽判定部は、
   前記判定対象画像に、前記本人確認書類の外縁が表示されているか否か判定し、
   前記外縁が無ければ該外縁を推定し、
   前記判定対象画像に表示された前記外縁内の画像に基づいて、前記判定対象画像に表示された本人確認書類の分類を判別する、
   請求項２に記載の本人確認書類真偽判定システム。
9. 前記真偽判定部は、前記分類を判別する処理において、
   前記判定対象画像に表示された本人確認書類の種類を判別し、
   判別した前記種類に基づき前記判定対象画像から複数の領域を抽出し、
   抽出した前記複数の領域のうちの前記本人確認書類の作成元が表示される領域に基づき、前記本人確認書類の画像に差異が生じうる属性を判別する、
   請求項８に記載の本人確認書類真偽判定システム。
10. 前記真偽判定部は、
    前記判定対象画像に表示された本人確認書類の種類を判別し、
    判別した前記種類に基づき前記判定対象画像から複数の領域を抽出し、
    前記複数の領域毎に選択した判定方法で個別偽造指標を算出し、
    前記領域毎の個別偽造指標を総合して前記判定対象画像の偽造指標を算出する、
    請求項２に記載の本人確認書類真偽判定システム。
11. 前記本人確認書類の正当文書図画画像および偽造文書図画画像を学習データ入力として前記予測モデルを構築する学習部を更に備える、
    請求項１に記載の本人確認書類真偽判定システム。
12. 前記本人確認書類が、運転免許証であり、
    前記作成元が、都道府県の公安委員会である、
    請求項５または７に記載の本人確認書類真偽判定システム。
13. 前記真偽判定部は、
    前記判定対象画像に表示された前記本人確認書類の切り貼り痕を検出し、検出した前記切り貼り痕に基づき、前記判定対象画像に対する前記偽造指標を算出する、
    請求項１に記載の本人確認書類真偽判定システム。
14. コンピュータが備えるモデル記録手段が、本人確認書類の正当文書図画画像および偽造文書図画画像を学習データ入力として構築された、判定対象画像を入力として該判定対象画像に表示された本人確認書類が偽造されたものでありうる程度を示す偽造指標を算出するための予測モデルを記録し、
    コンピュータが備える真偽判定手段が、前記判定対象画像を前記予測モデルに入力することによって前記判定対象画像に対する前記偽造指標を算出する、本人確認書類真偽判定方法。
15. コンピュータが備えるモデル記録手段に、本人確認書類の正当文書図画画像および偽造文書図画画像を学習データ入力として構築された、判定対象画像を入力として該判定対象画像に表示された本人確認書類が偽造されたものでありうる程度を示す偽造指標を算出するための予測モデルを記録させ、
    コンピュータが備える真偽判定手段に、前記判定対象画像を前記予測モデルに入力することによって前記判定対象画像に対する前記偽造指標を算出させる、本人確認書類真偽判定プログラム。

Images